Исследователи из Гарвардской школы инженерии и прикладных наук (SEAS) создали алгоритм, который с точностью квантовых расчетов предсказывает, как материалы реагируют на электрическое поле. Причем работает он не для сотен атомов, как традиционные методы, а для миллионов — это в тысячи раз быстрее.

Теперь ученые и инженеры смогут моделировать поведение материалов под разными воздействиями с беспрецедентной детализацией. Это открывает новые возможности в разработке сверхэффективных диэлектриков, ферроэлектриков и материалов для энергетики.

Работу возглавил Стефано Фаллета, бывший постдок в группе Бориса Козинского, профессора материаловедения и химии.

Результаты опубликованы в издании Nature Communications.

Последние 30 лет главным инструментом моделирования материалов была теория функционала плотности (DFT) — набор квантовых уравнений, которые дают точные результаты, но требуют огромных вычислений. Машинное обучение уже ускорило процесс, но до сих пор плохо справлялось с внешними воздействиями: алгоритмы игнорировали фундаментальные физические законы, искажая прогнозы.

Теория функционала плотности (DFT) — метод расчета электронной структуры атомов и молекул, основанный на распределении электронной плотности, а не на моделировании каждой частицы. Дает точные результаты для многих систем, но требует огромных вычислительных ресурсов.

Фаллета и коллеги исправили этот недостаток. Их метод, Allegro-pol, объединяет энергию и поляризацию атомов в единую функцию, учитывает внешние поля и строго соблюдает физические принципы. Алгоритм обучали на данных DFT, но теперь он работает на масштабах, недоступных квантовой механике.

Где это пригодится

• Память нового типа — ферроэлектрики для сверхбыстрых и энергоэффективных чипов.
• Энергетика — улучшенные диэлектрики для конденсаторов и систем хранения энергии.

Ученые проверили метод на диоксиде кремния и титанате бария, смоделировав их электрические свойства и фазовые переходы.

Раньше мы могли рассчитывать лишь сотни атомов, теперь — миллионы, — говорит Фаллета, который сейчас работает в Radical AI над ускорением поиска материалов.

По его словам, такие алгоритмы — лишь начало. С развитием вычислительных мощностей и новых моделей машинное обучение преобразит материаловедение.

Это исследование закрывает ключевой пробел в computational materials science — невозможность моделировать большие системы с квантовой точностью. Практические применения:

• Дизайн материалов под заказ — например, диэлектрики с рекордной емкостью для компактных конденсаторов в электромобилях.
• Открытие новых ферроэлектриков — они критичны для энергонезависимой памяти (как в SSD, но быстрее).
• Оптимизация существующих технологий — скажем, улучшение КПД солнечных элементов через точный расчет поляризации.

Главный бенефит — сокращение времени и стоимости разработки. Вместо тысяч экспериментов — прогноз на основе симуляций.

Однако метод все еще зависит от обучающих данных DFT, которые сами по себе не идеальны: например, плохо описывают сильно коррелированные электроны. Кроме того, авторы тестировали модель на относительно простых кристаллах (SiO₂, BaTiO₃), но ее точность для аморфных материалов или сплавов пока не доказана.

Ранее ученые заявили, что машинное обучение повысит эффективность исследований в химической инженерии.